趋近智
数据概览分析入门
章节 1: 数据初步分析的原理
什么是数据初步分析？
EDA的目标
数据初步分析流程
EDA 的工具：Python 库简介
设置您的环境
章节 2: 数据加载、检查与初步清理
从多种来源加载数据（CSV、Excel、JSON）
数据初步观察：形状、头部、尾部
理解数据类型（dtypes）
处理缺失数据：识别
缺失数据的处理策略：填充与删除
检测和处理重复记录
动手实践：数据加载与初步整理
章节 3: 单变量分析：理解单个变量
分析数值变量：集中趋势
数值变量分析：离散程度
数值变量可视化：直方图
数值变量的可视化：箱线图
分析分类变量：频数统计
可视化分类变量：柱状图
使用统计方法识别异常值
练习：单变量数据分析
章节 4: 双变量分析：考察变量间的关系
数值变量与数值变量：散点图
数值变量与数值变量：相关性分析
相关性可视化：热力图
数值型与分类型：比较图表
分类变量与分类变量：交叉制表
分类变量间的可视化：堆叠条形图与分组条形图
动手实践：双变量分析
章节 5: 高级数据可视化与特征工程入门
多元数据可视化：对图
自定义图表以提高清晰度（标题、标签、图例）
特征工程思想介绍
从现有特征生成新特征
基本数据转换：缩放与归一化
处理分类特征：编码方法
降维思路介绍
汇总和报告EDA结果
实践操作：特征创建与归纳
处理缺失数据：识别
这部分内容有帮助吗？
- Working with missing data, pandas development team, 2024 - Pandas处理缺失值（NaN，None）的官方指南，包含isnull()和isna()等检测方法。
- Python for Data Analysis, Wes McKinney, 2022 (O'Reilly Media) - Pandas数据操作的基础书籍，涵盖缺失数据的识别和处理。
- seaborn.heatmap, Michael Waskom and the Seaborn development team, 2024 - 创建热图的官方文档，对使用df.isnull()可视化DataFrame中缺失数据模式很有帮助。
- Data Cleaning: A Guide to Creating Clean Data for Effective Analysis and Governance, Laura Sebastian-Coleman, 2012 (Morgan Kaufmann) - 提供数据清理的原则和方法，包含数据集中缺失值的识别和重要性。